:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Treutlein, Johannes, Choi, Dami, Betley, Jan, Marks, Samuel, Anil, Cem, Grosse, Roger, Evans, Owain
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language Artificial Intelligence Machine Learning
Online-Zugang:	https://arxiv.org/abs/2406.14546
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

School of Reward Hacks: Hacking harmless tasks generalizes to misaligned behavior in LLMs
von: Taylor, Mia, et al.
Veröffentlicht: (2025)

The Consciousness Cluster: Emergent preferences of Models that Claim to be Conscious
von: Chua, James, et al.
Veröffentlicht: (2026)

Conditional misalignment: common interventions can hide emergent misalignment behind contextual triggers
von: Dubiński, Jan, et al.
Veröffentlicht: (2026)

Emergent Misalignment: Narrow finetuning can produce broadly misaligned LLMs
von: Betley, Jan, et al.
Veröffentlicht: (2025)

Tell me about yourself: LLMs are aware of their learned behaviors
von: Betley, Jan, et al.
Veröffentlicht: (2025)

Subliminal Learning: Language models transmit behavioral traits via hidden signals in data
von: Cloud, Alex, et al.
Veröffentlicht: (2025)

Weird Generalization and Inductive Backdoors: New Ways to Corrupt LLMs
von: Betley, Jan, et al.
Veröffentlicht: (2025)

Thought Crime: Backdoors and Emergent Misalignment in Reasoning Models
von: Chua, James, et al.
Veröffentlicht: (2025)

Me, Myself, and AI: The Situational Awareness Dataset (SAD) for LLMs
von: Laine, Rudolf, et al.
Veröffentlicht: (2024)

Lessons from Studying Two-Hop Latent Reasoning
von: Balesni, Mikita, et al.
Veröffentlicht: (2024)

Activation Oracles: Training and Evaluating LLMs as General-Purpose Activation Explainers
von: Karvonen, Adam, et al.
Veröffentlicht: (2025)

Are DeepSeek R1 And Other Reasoning Models More Faithful?
von: Chua, James, et al.
Veröffentlicht: (2025)

Influential Training Data Retrieval for Explaining Verbalized Confidence of LLMs
von: Xia, Yuxi, et al.
Veröffentlicht: (2026)

Predictive Concept Decoders: Training Scalable End-to-End Interpretability Assistants
von: Huang, Vincent, et al.
Veröffentlicht: (2025)

Can Language Models Explain Their Own Classification Behavior?
von: Sherburn, Dane, et al.
Veröffentlicht: (2024)

Connecting the Dots: Inferring Patent Phrase Similarity with Retrieved Phrase Graphs
von: Peng, Zhuoyi, et al.
Veröffentlicht: (2024)

Why and How LLMs Hallucinate: Connecting the Dots with Subsequence Associations
von: Sun, Yiyou, et al.
Veröffentlicht: (2025)

Inferring the presence and abundance of rare waterbirds species from scarce data
von: Bricout, Barbara, et al.
Veröffentlicht: (2026)

Can We Infer Confidential Properties of Training Data from LLMs?
von: Huang, Pengrun, et al.
Veröffentlicht: (2025)

Cylinder decompositions on geometric armadillo tails
von: Lee, Dami, et al.
Veröffentlicht: (2024)

Estrutura de propriedade no Brasil: Evidências empíricas no grau de concentração acionária
von: Anamélia Borges Tannus Dami
Veröffentlicht: (2023)

ESTRUTURA DE PROPRIEDADE NO BRASIL: EVIDÊNCIAS EMPÍRICAS NO GRAU DE CONCENTRAÇÃO ACIONÁRIA
von: Anamélia Borges Tannus Dami
Veröffentlicht: (2007)

Training Data Attribution via Approximate Unrolled Differentiation
von: Bae, Juhan, et al.
Veröffentlicht: (2024)

Connecting the Dots in News Analysis: Bridging the Cross-Disciplinary Disparities in Media Bias and Framing
von: Vallejo, Gisela, et al.
Veröffentlicht: (2023)

Discrete Vector Bundles with Connection
von: Berwick-Evans, Daniel, et al.
Veröffentlicht: (2021)

The Geometry of Truth: Emergent Linear Structure in Large Language Model Representations of True/False Datasets
von: Marks, Samuel, et al.
Veröffentlicht: (2023)

Effective Faraday interaction between light and nuclear spins of Helium-3 in its ground state: a semiclassical study
von: Fadel, Matteo, et al.
Veröffentlicht: (2024)

Kinetic analysis of phase transformations during continuous heating: Crystallization of glass-forming liquids
von: Houghton, Owain S.
Veröffentlicht: (2025)

ALAS: Measuring Latent Speech-Text Alignment For Spoken Language Understanding In Multimodal LLMs
von: Mousavi, Pooneh, et al.
Veröffentlicht: (2025)

Resonant Structures in $p{}^7\mathrm{Be}$ Scattering and Their Connection to the Astrophysical $S$-Factor
von: Khachi, Anil
Veröffentlicht: (2025)

The Reversal Curse: LLMs trained on "A is B" fail to learn "B is A"
von: Berglund, Lukas, et al.
Veröffentlicht: (2023)

On Verbalized Confidence Scores for LLMs
von: Yang, Daniel, et al.
Veröffentlicht: (2024)

Beyond Data Filtering: Knowledge Localization for Capability Removal in LLMs
von: Shilov, Igor, et al.
Veröffentlicht: (2025)

Bayesian Tensor Decomposition for Clustering Latent Symptom Profiles for Verbal Autopsy Data
von: Yu Zhu, et al.
Veröffentlicht: (2026)

Negation Neglect: When models fail to learn negations in training
von: Mayne, Harry, et al.
Veröffentlicht: (2026)

The growth of the mussel Mytilus californianus
von: Richards, Owain Westmacott
Veröffentlicht: (1928)

LLM Processes: Numerical Predictive Distributions Conditioned on Natural Language
von: Requeima, James, et al.
Veröffentlicht: (2024)

Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training
von: Hubinger, Evan, et al.
Veröffentlicht: (2024)

Persona Vectors: Monitoring and Controlling Character Traits in Language Models
von: Chen, Runjin, et al.
Veröffentlicht: (2025)

Put Aside Your Pencil: How Talk Becomes Writing Through Verbal Rehearsal
von: Kristen I. Evans
Veröffentlicht: (2026)